申请/专利权人：青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学

申请日：2024-03-12

公开（公告）日：2024-04-26

公开（公告）号：CN117932273A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/214;G06F17/14;G06F17/16;G06F18/213;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明属于船舶与海洋工程技术领域，公开了一种融入时频分析的船舶运动长时预报方法及系统。该方法包括：将划分的训练集数据和测试集数据输入基于PatchTST架构的神经网络模型，在模型内部通过快速傅里叶变换或逐波分析的方法求得该段时历数据的特征周期，通过滑动窗口的方法将整段时历数据划分为多个子序列级别的Patch片段；基于获得的Patch片段进行训练得到准确的预报模型；使用训练好的所述预报模型对未来一段时间内的船舶运动时历数据进行预测。本发明不但能够捕捉全局范围内序列的长时依赖关系，也能获取到局部的周期性起伏特征，从而实现船舶运动长时有效预报。

主权项：1.一种融入时频分析的船舶运动长时预报方法，其特征在于，该方法包括：S1，对船舶历史运动时历数据进行数据分割，划分为训练集和测试集；S2，将训练集数据和测试集数据输入基于PatchTST架构的神经网络模型，通过滑动窗口法划分训练集数据与测试集数据，得到特征数据集和标签数据集；基于PatchTST架构的神经网络模型内部通过快速傅里叶变换或逐波分析，求得特征数据集中各段特征数据的特征周期，通过滑动窗口的方法将各段特征数据划分为多个子序列级别的Patch片段，其中，滑动窗口的大小和滑动步长由特征周期决定；S3，基于PatchTST架构的神经网络模型基于获得的Patch片段进行训练得到准确的预报模型；S4，使用训练好的预报模型对未来一段时间内的船舶运动时历数据进行预测。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学 一种融入时频分析的船舶运动长时预报方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD